今日推送

论文解读论文针对硬件内核优化问题，提出让LLM Agent能够从完成的任务中持续学习。现有方法虽提升了个体任务内的优化能力，但缺乏跨任务的经验积累机制。该研究设计了经验驱动工作流与经验图记忆系统，使Agent能够复用历史优化经验。实验结果显示，这种自演化机制显著加速了优化收敛，并提升了最终优化质量，展示了Self-Evolving Agent在实际计算任务中的潜力。

论文解读论文研究了Agent能力不仅取决于底层模型，harness（包括记忆管理、规划策略、动作协议和工具编排）本身就能主导贡献。当前harness设计依赖人工、任务特定且不可扩展。JIT-Agent提出一种harness智能模型，能够根据任务动态合成适配的harness配置，实现harness层面的自动化与自适应。实验表明该方法可显著提升智能体在多种任务上的性能，且具有良好的可扩展性。

论文解读论文研究多Agent LLM工作流中质量与成本权衡下的动态编排问题。现有级联路由方法仅做一次性查询级决策，无法适应动态演化的任务需求。ProgRouter提出在线进度引导的编排策略，能根据实时执行状态动态调整Agent组合与调用深度。在多个基准测试上的实验表明，该方法能在保持输出质量的同时显著降低运营成本，为长时域复杂任务提供了高效的Agent协同框架。